写点什么

Julien Le Dem 对使用 Apache Arrow 进行面向列的数据处理的未来的看法

  • 2016-12-22
  • 本文字数:1620 字

    阅读完需:约 5 分钟

Julien Le Dem 是 Apache Parquet 的合著者,也是 Apache Arrow 项目的项目管理委员会成员,他在 Data Eng Conf NY 上介绍了面向列的数据处理的未来。

Apache Arrow 是在内存中执行列式计算的开源标准,源于 Apache Drill 的内存列式数据结构。Apache Arrow 旨在成为有效地在内存中保存数据并在不同执行引擎之间交换数据的事实上的方式,从而避免序列化。它由 13 个开源项目的主要开发人员提供支持,这些开源项目主要来自 Apache,包括 Calcite Drill Pandas HBase Spark Storm

InfoQ 采访了 Le Dem,以了解 Arrow 和 Parquet 的区别以及二者如何能支持更高效的跨执行引擎的计算。Parquet 是一个磁盘上的列式存储格式。

InfoQ:你觉得 Apache Arrow 会像 Parquet 一样在 Apache Spark 这样的执行引擎上商品化(commoditized)吗?你认为它会缩小引擎间的性能差距吗?

Le Dem: MonetDB 开始,矢量化执行是最先进的高效查询处理方式。 许多开源查询引擎正在转向这个模型,我们认为有必要标准化内存中的列式表示以提供极高效的互操作性。Parquet 提供的列式存储功能,Arrow 以内存中的列式处理和互换提供了。

这些标准化努力极大地简化了存储层、查询引擎、 DSL UDF 之间的集成,并通过消除序列化提供了更高效的通信层。通过消除公共的瓶颈,标准化让所有系统进行互操作变得更简单、更便宜、更快速了。然而,通过提供专业的技术进一步提升性能,比如基于压缩向量的操作或者更智能的查询优化器,每个执行引擎还有很大的创新空间。

InfoQ:Apache Parquet 支持谓词下推(predicate pushdown),避免了只要页面不包含匹配谓词的数据就从磁盘读取数据的问题。Apache Arrow 的数据结构包含类似的功能吗?

Le Dem:它们在从磁盘读数据和从内存读数据的取舍上是不同的。当前,谓词下推的实现取决于引擎。虽然还没有开始,但是 Apache Arrow 最终会提供能跨引擎重用的快速矢量化操作。

InfoQ:Arrow 的目标之一是提供对内存数据的恒定时间访问,并通过 SIMD 指令支持矢量化操作。 Arrow 也像 Parquet 一样提供内存数据压缩吗?

Le Dem: Arrow 支持字典编码,能提供优秀的压缩效果,让聚合和连接这类操作更快地运行。现在也有一个正在进行的讨论,要使用像 snappy 或者 gzip 这样的通用算法来提供泛化的缓冲压缩。

在这个初始版本中,Arrow 还不支持其他压缩技术,如位打包(bit packing)。然而,在使用标准向量进行数据交换的前提下,我们打算让执行引擎能够定义自定义向量。这将允许更高级的技术,例如直接操作压缩向量。 我想到的一个例子是威斯康星大学 BitWeaving 项目。 在将来,标准向量的集合将会扩充。

Arrow 的第一个版本提供了Pandas 库、Arrow 和Parquet 之间的基于C++ 的本地集成,让Arrow 的Record Batches 能作为 Pandas 的 dataframe 操作并暴露给像 Apache Drill 这样的基于 Hadoop 的 SQL 引擎(SQL-on-Hadoop engine)。

InfoQ:Apache Arrow 支持互操作,让数据不需要序列化就可以在进程间传输。你能点评一下 Arrow 的 IPC 层的能力吗?

Le Dem: IPC 层仍然处于试验阶段,它是一个真正的零复制(zero-copy)层。当 Arrow 的 Record Batch 完成时,它变成不可变的。在此状态下,它可以使用共享内存以只读模式与其他进程共享,而不必担心并发访问。矢量表示独立于其内存地址(不需要绝对指针),并且可以安全地用在共享内存中,每个进程看到的缓冲器地址是不同的。

InfoQ:与 Parquet 一样,Apache Arrow 支持嵌套数据类型。它当前支持哪些类型,哪些类型在计划中呢?

Le Dem: Arrow 支持所有常见的数据类型。这是迄今为止相当全面的一份列表了。最近又添加了一些类型,包括 SQL 的 Timestamp 和 Interval。

查看英文原文: Julien Le Dem on the Future of Column-Oriented Data Processing with Apache Arrow


感谢冬雨对本文的审校。

给InfoQ 中文站投稿或者参与内容翻译工作,请邮件至 editors@cn.infoq.com 。也欢迎大家通过新浪微博( @InfoQ @丁晓昀),微信(微信号: InfoQChina )关注我们。

2016-12-22 18:003513
用户头像

发布了 33 篇内容, 共 12.4 次阅读, 收获喜欢 10 次。

关注

评论

发布
暂无评论
发现更多内容

Meetup 回顾|Data Infra 研究社第十六期(含资料发布)

Databend

低代码助力软件开发

互联网工科生

软件开发 低代码

Python 面向对象编程:类、对象、初始化和方法详解

小万哥

Python 程序员 软件 后端 开发

揭秘提升远程团队协作效率的秘密武器:这款在线白板工具不容错过!

彭宏豪95

远程办公 在线白板 办公软件 在线协同 在线协作

WorkPlus打造安全专属的移动数字化航空母舰,助力企业全面掌控业务和生态

BeeWorks

如何区分特权账号管理系统PAM和堡垒机

尚思卓越

网络安全 堡垒机 特权账号管理

灵活、可用、高扩展,EasyMR 带来全新 Yarn 的队列管理功能及可视化配置

袋鼠云数栈

hadoop YARN CDH 资源调度 hdp

redigo连接池的源码分析

胡译胡说

Go redis 源码 源码分析 连接池

JNPF:让应用开发更简单、快捷

树上有只程序猿

开发平台 低代码平台 JNPF

鲨海狂潮,存力崛起

脑极体

存力

【有奖体验】AIGC小说创作大赛开启!通义千问X函数计算部署AI助手

Serverless Devs

阿里云 Serverless AI

【鸿蒙生态千帆起】HDD扬帆上海,赋能广大开发者共赢未来

最新动态

设计一套评论系统

Kevin_913

Java 数据库设计 评论系统

WorkPlus平台级定制,让您完全掌控业务与生态

BeeWorks

如何为3D模型设置自发光材质?

3D建模设计

材质 纹理 贴图

如何使用透明贴图实现火焰效果

3D建模设计

材质 纹理 贴图

最好的私有云桌面解决方案

青椒云云电脑

云桌面

1024程序员节获奖名单公示~恭喜各位上榜同学

Openlab_cosmoplat

1024程序员节

私有化部署的理想选择,WorkPlus成为企业微信、钉钉的完美替代方案

BeeWorks

Linux cd命令:切换目录

芯动大师

幸福里基于 Flink & Paimon 的流式数仓实践

字节跳动云原生计算

flink paimon

第11期 | GPTSecurity周报

云起无垠

Java性能优化权威指南-读书笔记(一)

xfgg

Java

特权账号管理系统简述

尚思卓越

特权账号管理 特权账号 PAM

产品经理的效率利器:揭秘提升工作效率的10大神器!

彭宏豪95

项目管理 产品经理 在线白板 办公软件 在线协作

特权账号的功能

尚思卓越

网络安全 堡垒机 特权账号

Chat Towards Data Science|如何用个人数据知识库构建 RAG 聊天机器人?

Zilliz

chatbot Zilliz zillizcloud rag

Julien Le Dem对使用Apache Arrow进行面向列的数据处理的未来的看法_大数据_Alexandre Rodrigues_InfoQ精选文章